DEPARTAMENTO DE ELECTRICA Y ELECTRÓNICA CARRERA DE INGENIERÍA ELECTRÓNICA Y TELECOMUNICACIONES TEMA: DIAGNÓSTICO DE GASTRITIS BASADO EN IRIDOLOGÍA MEDIANTE EL PROCESAMIENTO DIGITAL DE IMÁGENES AUTORA: MAYA MEDINA JENNIFER ELIZABETH DIRECTOR: ING. CARRERA ERAZO ENRIQUE VINICIO, PhD SANGOLQUÍ, SEPTIEMBRE 2017

AGENDA Introducción Objetivos Marco Teórico Procedimiento Resultados Enfermedades del sistema digestivo Iridología Procesamiento Digital de Imágenes Aprendizaje de Maquina Procedimiento Localización Segmentación Características Clasificadores Resultados Conclusiones

INTRODUCCIÓN Procesamiento Digital De Imágenes (PDI) Desarrollo Tecnológico Aprendizaje de máquina Sistemas CAD Medicina Alternativa Iridología

Fuente: De PNUD - Reporte del Desarrollo Humano 2016. ONU INTRODUCCIÓN Fuente: De PNUD - Reporte del Desarrollo Humano 2016. ONU Afecta al 90% de la población en países con NSE bajos

OBJETIVOS General Diseñar, implementar y evaluar un algoritmo de diagnóstico asistido por computadora para la detección de enfermedades gástricas basado en iridología. Específicos Localizar, segmentar y cuantificar las anomalías concernientes a problemas gástricos presentados en el iris. Implementar el algoritmo del sistema CAD que contempla el procesamiento digital de imágenes, la clasificación y el diagnóstico. Evaluar los resultados obtenidos del sistema en términos de exactitud, sensibilidad, especificidad y capacidad predictiva para detectar enfermedades gástricas.

Presente en otras enfermedades MARCO TEÓRICO Enfermedades del sistema digestivo Helicobacter Pylori Infección bacteriana Asintomático Exámenes invasivos Presente en otras enfermedades Tejido estomacal afectado Carcinomas Nuevos métodos MIT Gastritis Gran incidencia en la población Estrechamente relacionada al Helicobacter Pylori

MARCO TEÓRICO Medicina Alternativa - Iridologia

MARCO TEÓRICO Procesamiento Digital de imágenes

Aprendizaje de máquina MARCO TEÓRICO Aprendizaje de máquina Aprendizaje de Máquina Supervisado Clasificación Máquinas de soporte vectorial (SVM) Árbol de decisión K- Vecninos más cercanos Redes Neuronales Regresión Regresión Lineal Regresión de vectores soporte (SVR) Aprendizaje de máquina Supervisado Clasificación Regresión No supervisado Agrupación

PROCEDIMIENTO

PROCEDIMIENTO

PROCEDIMIENTO

RESULTADOS Definición de L Clasificadores 10 píxeles 20 pixeles Árbol de decisión Exactitud 79% 92% 85% 84% 89% AUC 0,70 0,88 0,8 0,76 0,85 Vecinos más cercanos 81% 87% 80% 0,78 0,89 0,74 0,65 0,68 SVM 86% 98% 94% 90% 82% 83% 0.83 0,81 0.92 0,77 0,79 Redes Neuronales 63% 70% 66% 48% 0,67 0,75 0,71 0,51

RESULTADOS Generales KNN Árbol de decisión

RESULTADOS SVM COMPARATIVA Tree 92% 75,75% 100% 0,88 Knn 85% 81,48% Clasificador Exactitud Sensibilidad Especificidad Capacidad Predictiva Tree 92% 75,75% 100% 0,88 Knn 85% 81,48% 86,3% 0,89 Svm 94% 87,87% 97,01% 0.92 Redes neuronales 83% 66,67% 91,04%

RESULTADOS MATRIZ DE CONFUSIÓN CURVA ROC Predicción Clase Actual SI NO 29 4 2 65

CONCLUSIONES En un ambiente controlado con las 77 imágenes de similares características se obtuvo un mejor desempeño del prototipo con 96,1% de exactitud y 99% de capacidad predictiva (ROC). Al añadir las 23 imágenes se ingresó un mayor ruido al sistema ya que aquellos iris tienen diferentes características porque no fueron captados en un ambiente controlado y cooperativo, a pesar de esto el prototipo no se vio gravemente afectado debido a que solo baja un 2,1% en exactitud, pero presenta un aumento en lo que es el parámetro de sensibilidad. Con el clasificador SVM se obtiene mejor resultado para las imágenes bajo el procedimiento descrito en el presente trabajo con un kernel RBF. Actualmente el sistema tiene un 94% de diagnósticos correctos, el 87,87% de probabilidad de que un sujeto enfermo obtenga una prueba diagnóstica con un resultado positivo. Estos resultados son favorables para el problema de una falta de detección temprana, ya que si el sistema determina que el paciente tiene alguna enfermedad gástrica; este debe asistir a una consulta médica para corroborar el diagnóstico y recibir el tratamiento adecuado evitando futuras molestias o complicaciones.

CONCLUSIONES En base a los resultados obtenidos con el kernel de SVM se determina que la distribución de los datos no es linealmente separable y por esta razón KNN presenta un bajo rendimiento en el sistema, debido a que solamente evalúa la proximidad entre los pacientes. Las curvas ROC indican que tiene un buen nivel de predicción (valor entre 0.8 - 1), aunque esto puede cambiar debido a que la base de datos empleada no es equiprobable y tiene poca cantidad de muestras. Es necesario un valor alto en la curva ROC, para esto se determinó que el sistema debe tener un valor elevado en sensibilidad antes que en especificidad ya que es preferible diagnosticar la enfermedad en un paciente sano antes que errar en el diagnóstico de un paciente enfermo, ya que este no va asistir a una consulta médica y dejara pasar los síntomas hasta que el dolor sea intolerable y tenga mayores complicaciones en el tratamiento.

RECOMENDACIONES Actualmente el sistema está enfocado a ojos con ciertas particularidades de color debido a la base de datos con la que fue entrenado el prototipo, ya que la mayoría de iris son de tonalidades cafés. Por esta razón se recomienda incrementar las imágenes en la base de datos con nuevas características de color para que el sistema pueda generalizar mejor su clasificación. En caso de añadir nuevas imágenes a la base de datos se debe tener el radio de la pupila y el iris para poder setear estos nuevos parámetros dentro del programa. El principal limitante en este trabajo fue la falta de un diagnóstico por parte de un gastroenterólogo, ya que esto sería de gran importancia porque se realizaría un contraste entre ambas prácticas médicas y se podría desarrollar las posibles ventajas o desventajas que tenga este tipo de medicina bioenergética y el prototipo implementado.

GRACIAS POR SU AMABLE ATENCIÓN FINAL GRACIAS POR SU AMABLE ATENCIÓN